基于改进双向长短期记忆网络的冬小麦收获未脱粒损失预测方法

《Smart Agricultural Technology》：A prediction approach of unthreshing grain loss for wheat harvest employing an improved BiLSTM method

　　

小麦联合收获过程中作业环境复杂且多参数耦合的非线性特性显著，给收获损失预测带来巨大挑战。为实现未脱粒率演化趋势的精准获取并提前实施损失抑制控制，研究人员提出了一种融合高斯卷积神经网络(GCNN)、残差网络(ResNet)与时间注意力机制(TA)的BiLSTM预测模型。该模型采用所开发的时间特征融合方法处理融合时间序列数据，由GCNN提取时序趋势特征与局部细节特征；将ResNet嵌入BiLSTM网络以增强时序建模能力，表征作业参数与未脱粒率之间的映射关系；同时引入TA自适应关注未脱粒率演化过程中的关键时间步。消融实验验证了各模块对预测性能的提升作用。与多种基准模型相比，所提模型表现出最优预测性能，其决定系数(R2)、均方根误差(RMSE)与平均绝对误差(MAE)分别达到0.931±0.006、0.053±0.012和0.051±0.010。可解释性分析表明模型有效捕捉了作业参数与冬小麦未脱粒率之间的非线性耦合关系。多工况台架试验进一步验证了模型的可靠性，所有平均R2值均不低于0.841。该研究为冬小麦联合收获的损失抑制控制提供了理论与技术基础。

本研究针对冬小麦联合收获过程中因脱粒过程的强非线性、时变性和多因素耦合导致的未脱粒率难以精准预测的问题，旨在构建高精度预测模型以实现损失抑制控制的提前部署。现有监测传感器易受机械振动和随机籽粒冲击干扰，传统回归方法无法充分反映未脱粒损失的动态非线性特征，单向LSTM模型则缺乏对未来时序信息的利用。为此，研究人员提出了一种集成高斯卷积神经网络(GCNN)、残差网络(ResNet)和时间注意力机制(TA)的改进双向长短期记忆网络(BiLSTM)预测方法，并在《Smart Agricultural Technology》发表成果。

关键技术方法包括：(1)基于离散元法构建高保真冬小麦植株及切流脱粒系统动力学模型，生成包含滚筒转速、喂入量和凹板间隙的多工况时序数据集；(2)提出时间特征融合方法，对原始数据进行分段重采样并提取统计量及交互特征，以降低噪声并增强多参数耦合表征；(3)设计GCNN-ResBiLSTM-TA网络架构，其中GCNN同时提取时序趋势与局部细节特征，ResNet通过跳跃连接缓解特征退化，TA自适应分配关键时间步权重；(4)采用随机搜索算法优化超参数，以决定系数(R²)、均方根误差(RMSE)和平均绝对误差(MAE)作为评价指标，并通过台架试验验证模型实用性。

研究结果如下：

3.1 冬小麦脱粒系统模型验证

通过籽粒休止角试验与茎秆弯曲试验验证冬小麦模型准确性，模拟值与试验值相对误差分别为1.786%和低于5%；脱粒系统仿真结果与物理试验最大相对误差为4.65%，证实仿真数据可用于模型训练。

3.2 模型验证

训练过程中损失函数稳定收敛，早停机制有效防止过拟合。消融实验表明，相比基础BiLSTM，ResBiLSTM使R²提升3.3%，GCNN的加入进一步提升4.6%，TA的引入最终使R²达到0.931。与SVR、RF、XGBoost、CNN-LSTM及Informer等基准模型相比，所提模型在所有指标上均表现最优，统计检验证实性能提升显著(p<0.05)。

3.3 模型可解释性

时间注意力权重可视化显示高关注度区域随工况动态迁移，证明模型可自适应聚焦关键时序信息；敏感性分析表明滚筒转速与喂入量的交互项(Speed×Feed)对未脱粒率影响最大，验证了脱粒过程的多参数非线性耦合特性。

3.4 多工况台架试验结果

在变滚筒转速、变喂入量及双参数同时变化三种工况下，模型R²分别达到0.841±0.040、0.878±0.021和0.852±0.036，预测值与实测值高度一致，证明模型可准确表征动态脱粒过程。

讨论部分指出，时间特征融合有效缓解了高频噪声并增强了耦合特征表征，GCNN-ResBiLSTM-TA架构实现了未脱粒率的精准预测。该方法可为联合收获机作业参数的动态调整提供决策支持，从而减少收获损失并提升效率。研究局限在于训练数据仅涵盖单一小麦品种，未考虑含水率、成熟度及脱粒装置多样性等因素，未来可通过纳入这些变量进一步提升预测精度与在线适应性。

研究结论为：所提出的改进BiLSTM方法能够精准预测冬小麦收获未脱粒损失演化趋势，融合GCNN、ResNet与TA可有效提取时序趋势与局部细节特征、缓解特征丢失并自适应关注关键时间步。基于时间融合特征的模型预测值与理论值高度吻合，R²、RMSE和MAE分别达0.931±0.006、0.053±0.012和0.051±0.010。多工况台架试验进一步验证了方法的鲁棒性，所有平均R²值均不低于0.841，为冬小麦联合收获机脱粒性能的在线动态调控提供了技术基础。